排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
针对当前目标检测模型在边缘设备中的应用占用内存过大、无法达到实时性要求的问题,提出一种基于YOLOv3的轻量化多目标检测模型.采用MobileNet网络进行点卷积和深度可分离卷积运算提取图像特征,显著降低了模型的参数量.同时,为了保证目标检测精度,在训练过程中不仅采用CIOU(complete intersection... 相似文献
2.
基于深度学习的车辆重识别算法使用空间关系不明确的滤波器提取特征,这些互不独立的滤波器会导致特征提取互相依赖且冗余,阻碍模型寻找数据的潜在规律．为此,提出一种显式的基于冗余特征正则化的车辆重识别算法Res-GC(ResNet grouping convolution)．利用残差分组卷积网络阻止特征相互适应,以获取带有正则特性的车辆特征．引入BNNeck(batch normalization neck)方法解决交叉熵损失函数和三元组损失函数适用的车辆特征空间不一致的问题,提升正则特征使用效率．在车辆重识别的公共数据集VeRi-776和VehicleID上,Res-GC算法的实验结果均优于现有模型,验证了算法的有效性． 相似文献
3.
针对先前研究工作对行人属性相关性分析不足和行人图像中细粒度属性特征难以捕获的问题,首先基于关联规则寻找属性之间的相关性,然后根据相关性改变网络结构,提升有较强相关性属性的准确率并嵌入改进的HSA(hierarchysplitattention)注意力模块,将特征图中的潜在信息进行深度挖掘．HSA注意力模块将特征图进行分组和在子特征图之间增加通道交互操作,整合后的特征图输入挤压激励(squeezeandexcitation,SE)模块中,提取图像在通道上的信息．在PA100K、Market-1501和PETA数据集上的实验结果表明,本算法的精确率、召回率、F1值与其他算法相当,但是准确率有较大提升． 相似文献
1